实验研究设计及常见类型

（一）医学实验设计的类型

1.随机对照实验　由于采取了随机化的分配原则，增强了各比较组间的可比性，避免了某些非实验因素的干扰，使实验因素能充分的显露出来，由于随机化，满足了统计学假设检验的要求，使检验结果更能反映它们之间存在的真实差异；设立对照组，更好的控制非实验因素对实验因素的影响，有效地控制了偏倚和误差，有利于反映所比较组间所存在的真实差异。

随机双盲对照实验，是目前国际上认为值得提倡的实验设计方案，特别适用于临床治疗效果、疾病的预后和诊断实验的研究。

2.配对设计　是将受试对象按一定条件配成对子，分别给予每对中的两个受试对象以不同的处理。配对条件是影响实验效应的主要非实验因素。动物实验中，常将种届、性别相同，年龄、体重相近的两个动物配成对子；人群试验中，常将性别相同、年龄、生活、劳动条件相近的两个人配成对子。这样就可增加处理组间的均衡性，提高实验效率。

配对设计的随机分组方法如下。

例1：有10对受试者，试随机分入甲、乙两组（表7-1）。

先将受试者编导，如第1对第1受试者为1.1，第2受试者为1.2，余仿此。再随机指定一随机数字表，随机排列表第5行，舍去10～19数字，并规定遇单数取乙甲顺序，遇双数取甲乙顺序。

表7-1　配对设计

3.完全随机设计　亦称单因素设计，应用甚广。它是将受试对象随机地分配到各个处理组中进行实验观察，或者分别从不同总体中随机抽样进行对比观察，它可以是两样本的比较也可是多个样本的比较。各个样本含量可以相等，也可以不等，但相等时效率较高。本设计的优点是设计和统计分析比较简单，缺点是只能分析一个因素，效率不高。

例2：试将10只动物随机分配到甲、乙两组。

先将动物按体重编号，再以随机数字表随机指定第3行，舍去10～19数字，将0～9数字依次录于动物号下，按预先规定，将随机数字为单数者分入甲组，双数者分入乙组（表7-2）。

表7-2　完全随机设计

结果第1、4、6、8、9号动物入甲组，第2、3、5、7、10号动物入乙组

4.配伍组设计　亦称随机区组设计，它是配对设计的扩大。配对设计的每一个“对子”分别给予两种处理，而配伍组设计中的每一“配伍组”包含两个以上的受试对象，分别给予多种处理。设置配伍组的条件和配对相同，即受试对象的条件必须相近。

例3：32个受试者按相近条件已编成8个配伍组，即1～4号为第一配伍组，5～8号为第二配伍组，依此类推。试分别给予A、B、C、D4种处理。

查随机数字表，随机指定8行，如第2，9行，每行只取随机数1、4，其余数舍去，依次标于各配伍组的受试者编号下。各受试者编号下面的随机数字即该受试者应分入的处理组（表7-3）。如第一配伍组：第1号受试者分入处理组B，第2号受试者分入处理组A，第3号受试者分入处理织D，第4号受试者分入处理组C，见表7-4。

表7-3　配伍组设计

表7-4　32个受试者分配的配伍组和处理组

5.析因设计　是一种多因素多水平交叉分组进行全面试验的设计方法。它可以研究两个或两个以上因素多个水平的效应。在析因设计中，研究因素的所有可能的水平组合都能被研究到，例如4个因素同时进行实验，每个因素取两个水平。实验的总组合数为24＝16；如果水平为3，则有34＝81种组合数。即是这81种组合均进行实验。所以析因设计可以分析观测指标与研究因素间的复杂关系，包括各因素间的交互作用。析因实验设计的主要优点是：①同时观察多个因素的效应，提高了实验效率；②能够分析各因素间的交互作用；③容许一个因素在其他各因素的几个水平上来估计其效应，所得结论在实验条件的范围内是有效的。主要缺点是：当因素比较多或水平数比较多时，所需样本量比较大。

6.交叉设计　是在自身配对设计基础上发展的设计方法。它可在同一病人身上观察两种或多种处理的效应，这样能够消除病人之间的变异，减少误差，提高检验效率。目前使用最多的是2×2交叉设计，即两种处理和两个实验周期的交叉设计。主要优点是能减少偏差，检验效率高：主要缺点是适用面较小，操作复杂。

7.正交试验设计　是研究多因素多水平的又一种设计方法，它是根据正交性从全面实验中挑选出部分有代表性的点进行实验，这些有代表性的点具备了“均匀分散、齐整可比”的特点，正交实验设计是分式析因设计的主要方法。是一种高效率、快速、经济的实验设计方法。

（二）护理常用实验研究设计类型

1.有限度控制的实验设计　此种实验设计其主要特征是使用单一实验组（缺少控制组）或使用不相等的实验组做实验。由于内在效度很差，此种设计又被称为前实验设计。

（1）单组后测设计。从事此种设计时，首先是选择一些受试者，并给予实验处理，然后测量实验处理之效果。缺点：缺乏对照组比较，易因其他因素影响而混淆结果（图7-1）。

图7-1　模式1
X：表示研究者所操纵的实验变项；
O：表示观察分数或测验分数

（2）单组前、后测设计：采用此设计主要包括以下步骤（图7-2）。①按照随机分派的方式，将所有的受试者分派至实验组或控制组之中。②给予受试者实施一项实验处理前的测验，以测量应变量（O1）。③给予受试者实验处理（X）。④经过一段时间后，再对两组之依变项实施后测，此时每组之前测与后测之间平均分数的差异便可显现出来。再给予受试者一次测验（O2）。最后再比较前测与后测之间平均分数的差异，以确定实验处理产生的变化是否比控制情境大。

图7-2　模式2

实验处理效果的决定是比较前、后测分数，通常是采用相关样本的t检定，以考验前、后测平均数差异的显著性。有差异但并不能完全说是处理的成果，在前、后测之间是不是还有其他事件介入也是要考虑的议题。

（3）静态组比较设计：静态组比较设计与前两种设计比较是多增设一控制组以资比较。不过，两组在各方面的特质并不相等，最重要的是并未使用随机抽样的方式选取受试者（图7－3）。

图7-3　模式3
X：表示随机选择及随机分配；
O：表示观察分数或测验分数

设计过程及步骤：①选择一组为实验组，另一组为对照组。②给予实验组实验处理，但控制组则无。③测量两组的成绩。

实验处理效果的确定是采用独立样本t检定，以比较两组后测分数（O1、O2）的差异显著性。

2.适当控制的实验设计　一般称此种实验设计为真正实验设计。因为此种设计完全控制所有影响内在效度的因素，故在实验研究中常被视为一种有适当控制的设计。

其设计特征如下：①除实验组外，另设一控制组。②应用随机方法选择和分派受试者。

适当控制的实验设计的类型如下。

（1）等组前、后测设计（图7-4）：①设计步骤：a.用随机方法选择受试者，并随机分派为实验组与控制组。b.实验处理前两组均接受前测。c.实验组接受实验处理，控制组则否。d.实验处理后两组均接受后测。②实验效度：其内在效度算是相当严谨。③统计分析：最适当的统计分析方法应采用共变量分析，亦即以两组的前测分数作为共变量，进行共变量分析。

图7-4　模式4
R：表示随机选择及随机分配；
X：表示研究者所操纵的实验变项；
O：表示观察分数或测验分数

（2）等组后测设计（图7-5）。①设计步骤：a.用随机方法选择受试者，并随机分派为实验组与控制组。b.实验组接受实验处理，控制组则否。c.实验处理后两组均接受后测。②实验效度：可完全控制内在效度，并避免测验的反作用效果。③统计分析：使用考验独立样本平均数差异显著性的t检验。

图7-5　模式5
R：表示随机选择及随机分配；
X：表示研究者所操纵的实验变项；
O：表示观察分数或测验分数

（3）所罗门4个等组设计（图7-6）。

图7-6　模式6

①设计步骤：a.用随机方法选择受试者，并随机分派到4组。b.实验处理前，第1、2两组均接受前测，其他两组则否。c.实验组接受实验处理，控制组则否。d.实验处理后4组均接受后测。

②统计分析见表7-5。

表7-5　所罗门4个等组设计统计分析

由上可知，二因子变异数分析是此种设计的理想统计分析法。

（4）多因子实验设计。采用此项设计，可以在一次设计中同时控制两个或两个以上实验变项对应变量的影响。换言之，此种设计不仅可以提供自变量对应变量单独的主要影响效果，还可以提供这些自变量对应变量的交互作用效果。①独立样本多因子设计实际上是前述等组后测设计的推广应用，若在设计上多增加一个实验变项即成为多因子设计。a.统计分析：采用此种设计，数据分析必须应用独立样本二因子变异数分析。b.优点：可在一次实验中同时考验几个假设。②非独立样本多因子设计即同一个受试者在自变量上需重复接受几种不同的实验处理。

（三）实验研究法的若干注意问题

整体来说，实验性研究的过程中，以下几点需要特别注意：①足够的样本量；②随机分配试验参与者进行干预和对照；③提供一致的干预；④控制外来影响和偏倚；⑤合理处理低水平的缺失数据。

以上5点有助于控制的错误，偏倚和有害的影响，从而增强结果的可信度、可靠性，是一个好的实验性研究的关键所在。

1.足够的样本量　实验研究的样本量必须足够大，以确保实验发生后能检测两组结果的不同。确定“足够大”需要考虑到预期结果的几个方面，这些预期是基于以往类似研究的研究结果。其中最主要的方面考虑是：（a）实验干预的影响相对于所产生的影响比较干预的强度和（b）的数据变异度。数值代表这些预期结果是进入了一个计算所谓的效度检验，对样本大小需要进行估计。做效度检验是正确的方式来确定样本大小和实验研究的相关性（Burns　＆Grove，2005）。效度分析应在实验研究设计的时候进行，以避免做一项研究时有一个非常低的能力来寻求两组结果间的差异。样本量规模不足，削弱了统计计算用于检测两组间结果有显著性差异的作用。

研究人员利用低统计效能或不足提及的一项检测两组结果差异能力低的研究，一个普遍的原因就是统计样本太小以至于检验效能低。当有充分理由期望的干预将对研究成果有一个非常强烈的影响，效度分析表明，一个小的样本量就已经足够，然而，护理干预通常只有中度的影响。现实情况中，许多护理研究工作中每一个组有30人找到的是“无差异”的结果，而当各组有100人的时候，两组将找到一个显著差异。如果一项研究的目的是确定是否一个干预比另一个更有效时，所做的研究样本太小，是浪费每个人的时间和精力（Burns，Grove，2005，p.355）。

2.随机分配到处理组　随机分配参与者进入处理组是实验研究一个决定性的特点。随机化是指在实验分组时，每个受试对象均有相同的概率或机会被分配到实验组和对照组。这是分配时随机决定的，而不是根据病人的喜好、医师的要求或研究人员者的便利。随机化要求分配的机会均等，要求每个参与者都有平等的机会被分配到任何一组。抛硬币是方法之一。也可利用电脑生成一个随机数列表，以用来决定分组；随机分配到实验设计的作用是它通过将参与者平均分配到两组来控制不同的参与者的个体差异分布。无论是实验组还是对照组，两组开始情况是类似的，开始时是平均的，在研究结束时研究者希望能够相信，两组组成不同并不影响结果。

未使用随机分配时，两组间的差异可能存在，有些原本是由本身差异产生的结果被认为是由提供的干预产生。这种可能造成对研究结果缺乏信心。

样本量越大，随机安排到实验组和对照组的均衡性就越好，特别是基于人口统计学及临床变量（如年龄、身体质量指数、疾病严重程度）。然而，即使在大型研究中，研究人员统计运行比较重要的人口和临床变量，以确保有效地随机分配有效。

总之，随机分组（随机化）是最有力的一种途径，能够确保这两组是在治疗或研究开始时是类似的；它的工作原理是使两组参与者的特点均一。

随机化不同于随机抽样。随机抽样的是一个获得的研究样本方式，就像是目标人口；而随机分配是一种确定每个参与了这项研究的人在接受干预前两组是均衡的。他们的共同点是利用偶然机会控制偏倚。

虽然随机分配到两组的样本有均匀的分布特点，但病人的一些特点可能会影响变量的结果。虽然这两个群体均匀，但其影响力仍然在工作。当它被称为提前知道，病人特征对结果有非常大的影响，研究者可决定完全消除其影响。删除它使治疗效果受到考验脱颖而出。

去除一个对研究非常有影响的病人特点是明智的，只有对研究没有重大影响特征的人才能包括在研究组里。如果所研究的是探讨有轻度充血性心力衰竭的人康复办法的影响，以能步行6min没有停止为标准，研究人员可以使用排除标准，使样本更均衡。

这要做到不带偏倚地排除一切存在的身体残疾、影响行动性的人，如卒中、严重的关节炎、活动的多发性硬化症、严重肌营养不良症。一个均一的实验组比一个多样化组在结果数据中将产生较少散射。如果一个办法比其他方法更有效，同时又将增加统计分析发现的能力。

然而，一长列排除标准可以产生问题，如找到研究的合格参与者和普遍推广的问题，或拓展结果发现在现实世界的患者中实践的问题。外部效度是指研究长期用来在何种程度上的一项研究将可能容纳超过了样本（包括研究分析）。如果使用太多排除，调查结果将只适用于医师，可能看到一个非常狭窄的部分人群，所以说研究外部效度有限。因此，研究人员使用排除标准的应警醒，认识到它们将如何影响临床结果适用性。重要的一点是病人的特点可以影响研究的成果，而且对两组产生比较复杂的影响。随机分配通过保证病人的特点在两组是均衡的来控制影响。明智地使用排除标准能确保非常有影响力的病人特征并不埋葬影响治疗变数。

病人的特点会对检测处理效果造成影响，但有的研究设计就是要分析病人的特点如何影响进行干预反应。这些设计（称为析因设计）对临床知识做出重要贡献，因为他们提供的有价值信息与他们那些有关的干预是非常有效的。

3.提供一致的干预　两个实验组中，一组接受实验的干预，其他组获得了比较干预。实验干预通常是一个有点“新”的干预，它的有效性还没有得到彻底评估，但是，应当有充分的理由相信，这将产生有意义的结果。比较干预可以采取以下几种形式（Kerlinger　＆Lee，2000）：①根本不干预；②安慰剂干预；③通常护理干预；④一个完全不同的干预；⑤相同的干预，但不同的剂量。

例如，强度、频率或时机，重要的是比较干预应该与实验干预有足够的不同以证明该研究（Kerlinger　＆Lee，2000）。关于安慰剂干预的评论：它们通常设计成的外观和感觉与正在测试的干预类似，但没有真正对成果产生影响。通常情况下，服用安慰剂的干预提供了一个“注意”功能在对照组和无效干预组，这样做是因为本身的关注参与的干预能够对成果产生一些影响。出于这个原因，一些使用药物的研究干预往往支持使用安慰剂组而不是一个“不干预”组。实验组干预和对照干预应该在研究开始前相当详细地阐明，并贯穿在整个研究中。

如果在研究过程中两组干预的形式相同，它们之间的对比将会丢失。因为研究设置的对照不复存在，对照缺失会使结果无效。为确保提供一致的干预所采取步骤包括具体研究协议，培训将这些提供干预的人，并检查干预的执行，以确保遵守研究协议。

4.控制随机变量和偏倚　即使病人的特点已经得到控制，其他来源的有害影响也可能会影响结果的数据。研究活动、研究中的设置会影响随机变量，随之间接地影响干预的结果。对此，必须采取措施来控制他们，因为他们一旦混淆或者混乱的话，将很难获得一个明确的理解干预和影响他们之间的关系。这些因素可以持续在整个研究制定中，或使得其中一个处理组的影响比另一组多。有时“设计”是目前重大的事件。例如，如果这段时间内的一项研究正在开展，以评估使用热和冷管理关节炎疼痛。一个新的惠而浦广告大量投放电视时间，广告可能污染研究结果。有些人在热处理组可能会利用惠而浦而不是根据这项研究的协议使用热。此外，一些人在寒冷的组可能一起决定放弃冷处理。这些参与者不遵守研究者指定的治疗方法，变化在可能会导致人的治疗组采用实际上与设计的研究不同的治疗方法。如果研究人员正在监测研究设计，就可以发现一个多余的变量也会影响结果。

研究活动，研究人员开发的非常具体的程序或研究议定书来控制无关变量。研究开始前他们指定：①具有哪些特征的人有研究资格；②如何招聘参加者；③同意参加研究将得到什么；④如何将参加者随机分组；⑤包括每个处理组的活动；⑥在何种条件下将给予处理。

在研究中，观察员何时以及如何衡量结果和参与者回应率，太容易收集良好的数据会影响测量结果。“盲法”的数据采集可控制这种偏见。盲法是通过采取步骤，以确保不知道收到的数据哪些是来自给予干预的参与者。显然，盲法并非总是可能的。

考虑研究对照的影响，对两个在臀区骨折手术前就给予定位协议舒适度的人，盲目收集那些病人接受干预的数据几乎是不可能的，因为病人在有能力辨别一方或另一方的协议时，数据收集者才能获得舒适评级。

5.低水平的缺失数据　缺失的数据可以是临床研究的一个问题。对所有进入了研究和随机治疗组的人来说，有多种原因使没有参加者完整的数据，其中包括：①一些参与者退出了研究（例如，从该地区迁出，并没有想继续参加研究）。②一些参与者条件恶化的，使他们无法继续参与研究（例如，转移到1CU的参与者由于身体太虚弱了不能回答问题）。③一些参与者在一个或多个数据收集时间不能用于测量结果变量（例如，错过了约定，不能提供一个标本）。④该数据收集者未能获得一些数据（例如，他是生病了忽视了某些东西）。⑤参加这项研究的负担太大。

一般来说，缺失数据的原因和缺失数据的模式比缺失的数据的数额更重要，尽管20%比2%以上的丢失数据显然更不好的。另外，丢失数据的模式比随机缺失的数据更受关注（Duffy＆Jacobsen，2001）。随机缺失数据包括整个来自研究小组数据。目前的格局是一组比另一组有更多的数据丢失，或当更多的数据丢失来自具有一定的特点参与者，在任何情况下，研究人员有义务尽力理解为什么数据丢失，并决定如何分析结果，以防止丢失数据从而扭曲的统计结果。数据丢失有可能有原因，也可能是进行研究方式造成的问题。一些研究人员报告并说明遗失的资料，而其他人则可能掩盖它并顺理成章的去忽略缺失的数据，只对提供了完整的数据的人做分析，这样做可能会导致偏倚的结果。

如果进行评估的戒烟方法有效性的随机研究时，测试中干预组比对照组有较大的退出率，其结果可能是有偏倚的，因为只有同意干预的人包括在分析中。这将使干预组优于对照组随机贡献的结果数据。结果是有偏倚的，因为原本病人特征分布的随机分配被破坏；实际的分析的结果，可能没有相当于基准特点。大批退出和缺失数据还威胁到研究结果的外部有效性。例如，一个虚构的一个新的研究计划，身体活动的第二和第三级的城市儿童来参加了本集团，在新的计划的人是否也优于收到了安慰剂干预的人。然而，研究结果有36%的退出率，均匀地分布在两个处理组。虽然分配退出甚至可能没有偏见的研究结果支持这一新计划比服用安慰剂的程序所产生的利益的新计划可能无法实现，因此，外部效度的研究结果将受到置疑。

总之，完好的实验研究，研究人员通常需要做如下几点：①做效度分析以确定样本量；②使用随机分配，以确保在研究开始时组群相当；③确保提供一致干预；④控制外来的影响和潜在的偏倚；⑤采取步骤，以确保参与者参与研究和贡献所有需要收集的数据。

利用这些研究战略，以确保检测的结果有显著性差异，研究小组有信心获取差异不同的处理因素。如果发现没有差异，利用这些研究战略以确保缺乏差异，可以归因于这样一个事实，即两种处理真正产生相同的影响。